我们的 Web 团队使用 Claude Code 一个月后的心得

我们的网站团队在过去一个月里投入了大量精力，深入使用 Claude Code。目的是押注一个工具，观察它如何影响我们的流程和产出。

昨天在全员大会上，我们向公司分享了这些经验，今天也把它们分享给你。（我们清楚这个领域变化极快，今天的心得可能很快就会过时。但今天的事今天说！）

在这篇文章里，你会看到 Claude 在哪些方面对我们很有用，哪些方面不太行，以及我们如何从 agentic coding 中获得价值。

Claude Code 的强项

检索陌生代码的知识

如果你还没准备好用 AI 生成大量代码，可以从这里入手：把 Claude Code 当作知识库，用来了解你不熟悉的代码库部分。当你被需要系统上下文的任务卡住、而自己又还没建立起这些上下文时，这尤其有用。

话虽如此，也别不好意思问同事。人脑里仍然存着不可替代的知识，那是任何 LLM 都没有索引过的。

执行定义明确的任务

Claude Code 在你已经知道该怎么做的任务上表现最好。那些你能说清需求和验收标准的问题，产出的结果会更好。这有点像“输入决定输出”的道理。

对于更模糊或更复杂的功能，用 Plan mode。它会提出澄清问题，在多次迭代中保留上下文，产出的结果始终比直接进入实现要好。

模式明确的代码库

有既定约定、完善的 lint、类型检查、格式化规则和集成测试的项目，能引导 Claude 给出可用且稳定符合标准的方案。

关键在于给 agent 提供工具，让它自己闭环反馈。这包括启用那些能提供系统和流程上下文的 MCP。我们发现 Linear、Sentry、Figma 和 Graphite 的 MCP 对丰富 Claude 对我们工作的理解特别有用。

并行开发

一旦你能可靠地把任务交给 AI，就可以考虑用 Git worktree 并行推进工作。它允许你在本地同时检出多个分支。Conductor、Claude Desktop 这类工具能让这套流程顺畅不少。

Claude Code 仍然需要你出手的地方

Claude Code 能处理不少任务，但它的局限也值得了解：

用 system prompt 训练你的 AI 工程师

Claude 每次会话都是全新的。把它当成一个每次入职都要重新带一遍的新人。如果不在 CLAUDE.md system prompt 里说明该如何在你的代码库中工作，你就得反复交代同样的要求。

不过 system prompt 要写得精简。啰嗦的说明会占掉上下文窗口，而这些空间本该留给真正的工作。

Skill 的局限

Skill（预先打包好的配方或上下文包）提供了不少捷径，但除非明确提醒，Claude 经常想不起来用。我们的应对办法是：需要它遵循特定配方时，手动调用 skill 的斜杠命令。

上下文管理的难题

长时间会话会暴露 LLM 的上下文局限。Claude 会尝试压缩和总结会话历史以减少幻觉，这有帮助，但解决不了根本问题。我们观察到，随着上下文不断累积，输出质量会明显下降。

我们的应对办法：每完成一个独立任务就用一次 /clear，或者让 Claude 把当前进度导出到 markdown 文件，清空会话，再让它读取该文件继续。这样既重置了上下文，又保住了关键信息。

守住工程标准

评估 Claude 的输出时，别放弃你的工程判断。LLM 仍然会以惊人的频率给出架构糟糕的方案——而且讲得信心十足（这种场面我们都很熟悉）。你依然需要主动引导模型，让它给出你愿意交付给用户的方案。

结论

要建立起对 LLM 擅长什么、不擅长什么的直觉，需要时间。用得越多，你就越懂得如何借助 AI 拿到有力的结果。我们也在边做边学，但已经到了这样一个阶段：AI 编程工具确实在改善我们的工作流，而不只是徒增负担。

我们整个公司（没错，连销售和市场部门也是）现在都在不同程度地使用 Claude Code。对于每天如何使用 AI，我们一直态度积极且目标明确。我们既兴奋又谨慎，并且一丝不苟地测试、观察，并在内部分享 agentic coding 的经验。

这既是我们在 Expo 工作方式的重要一环，也是你 与 Expo 协作方式的重要一环。未来几个月，我们还有很多话要说。与此同时，如果你对如何用 AI 和 Expo 进行开发有具体问题，欢迎告诉我们。

祝 agentic coding 愉快！